Salta al contenuto principale
// 7 min lettura

Traduzioni Deterministiche in Tempo Reale con Cloudflare Workers AI

Progettazione del pipeline di internazionalizzazione i18n per Portelcore: estrazione deterministica di chiavi DJB2, inferenza con modelli LLM sull'Edge e cache multilivello in Cloudflare KV.

Tomàs Elias
@authorTomàs Elias
•7 MIN
0letture
Portada de Traducciones Deterministas en Tiempo Real con Cloudflare Workers AI

La localizzazione di applicazioni web multilinguaggio ha tradizionalmente dipeso da file statici .json tradotti manualmente o da chiamate lente e costose ad API di traduzione esterne. In Portelcore Web, implementiamo un pipeline completamente automatizzato che combina hashing crittografico DJB2 con inferenza locale di modelli linguistici in Cloudflare Workers AI.

1. Il Flusso di Traduzione Deterministico

Il sistema divide il processo in tre fasi di esecuzione:

[ HTML con Textos ] ---> [ Hash DJB2 de 64 bits ] ---> [ ¿Existe en KV? ]
│
┌────────────────────────────────────────┴───────────────────┐
▼ SÍ ▼ NO
[ Cache Hit: 0 ms ] [ Workers AI LLM ]
[ Guarda en KV ]
[ Entrega Traducción ]
  1. Estrazione in Compile-Time / SSR: I testi sono avvolti nel componente <AITranslate> o etichettati nell'HTML.
  2. Generazione di Chiave Unica: Si computa un hash deterministico DJB2 della stringa in spagnolo (es: msg-1085732109).
  3. Cache Globale in KV: Prima di consultare il modello di IA, si ispeziona il namespace PORTELCORE_KV_CORE. Se la chiave esiste per la lingua di destinazione, la risposta è consegnata in meno di 5 ms.

2. Implementazione dell'Algoritmo DJB2

La velocità di computo dell'hash è essenziale per non penalizzare il tempo di risposta del server in Astro SSR:

/**
* Calcula el hash DJB2 optimizado para cadenas de texto.
* Produce un identificador numérico determinista e inmutable.
*/
export function djb2Hash(str: string): string {
let hash = 5381;
for (let i = 0; i < str.length; i++) {
hash = ((hash << 5) + hash) + str.charCodeAt(i);
hash |= 0; // Conversión forzada a entero de 32 bits con signo
}
return Math.abs(hash).toString(36);
}

3. Inferenza con Modelli LLM in Workers AI

Quando una chiave nuova non esiste nella cache perimetrale, il Worker satellite spedisce la richiesta al runtime di Workers AI:

/**
* Invoca el modelo Llama 3.3 en Workers AI con un prompt de sistema rígido.
*/
export async function translateText(text, targetLanguage, env) {
const systemPrompt = `Eres un traductor técnico profesional.
Traduce el siguiente texto técnico exactamente al idioma '${targetLanguage}'.
Conserva términos técnicos de programación (ej: WAF, Cloudflare, KV, SSR, TypeScript).
Devuelve ÚNICAMENTE la traducción limpia sin explicaciones ni comillas.`;
const response = await env.AI.run("@cf/meta/llama-3.3-70b-instruct-fp8-fast", {
messages: [
{ role: "system", content: systemPrompt },
{ role: "user", content: text }
],
temperature: 0.1
});
return response.response.trim();
}

4. Conclusione

Questo design permette che la piattaforma supporti 14 lingue internazionali senza necessità di mantenere dizionari manuali desincronizzati, mantenendo un'esperienza fluida, rapida e coerente in tutto il mondo.

[ CONDIVIDI ]
← TORNA AL JOURNAL

[ Continua Esplorando ]